जेनेटिक एल्गोरिद्म

2006 नासा अंतरिक्ष प्रौद्योगिकी 5 अंतरिक्ष यान एंटीना। यह जटिल आकार एक विकासवादी कंप्यूटर डिजाइन प्रोग्राम द्वारा सर्वोत्तम विकिरण पैटर्न बनाने के लिए पाया गया था। इसे एक विकसित एंटीना के रूप में जाना जाता है।

कंप्यूटर विज्ञान और संचालन अनुसंधान में, एक आनुवंशिक एल्गोरिथम (जीए) प्राकृतिक चयन की प्रक्रिया से प्रेरित एक मेटाह्यूरिस्टिक है जो विकासवादी एल्गोरिदम (ईए) के बड़े वर्ग से संबंधित है। उत्परिवर्तन (जेनेटिक एल्गोरिथम), पारगमन (जेनेटिक एल्गोरिथम) और चयन (जेनेटिक एल्गोरिथम) जैसे जैविक रूप से प्रेरित ऑपरेटरों पर विश्वाश करके अनुकूलन (गणित) और खोज एल्गोरिदम के उच्च-गुणवत्ता वाले समाधान उत्पन्न करने के लिए जेनेटिक एल्गोरिदम का सामान्यतः उपयोग किया जाता है।^[1] जीए अनुप्रयोगों के कुछ उदाहरणों में उत्तम प्रदर्शन के लिए, सुडोकू पहेलियों को समाधान करने के लिये निर्णयावली का अनुकूलन,^[2] हाइपरपैरामीटर अनुकूलन, आदि सम्मिलित हैं।

कार्यप्रणाली

अनुकूलन समस्याएं

एक आनुवंशिक एल्गोरिथम में, अनुकूलन समस्या के लिए उम्मीदवार समाधान (जिन्हें व्यक्ति, जीव, जीव, या लक्षणप्ररूप कहा जाता है) की सरंध्रता उत्तम समाधान की ओर विकसित होती है। प्रत्येक उम्मीदवार समाधान में गुणों का एक सेट होता है (इसके गुणसूत्र या जीनोटाइप) जिन्हें उत्परिवर्तित और परिवर्तित किया जा सकता है; परंपरागत रूप से, समाधान 0s और 1s की स्ट्रिंग्स के रूप में बाइनरी में प्रस्तुत किए जाते हैं, किन्तु अन्य कोडलेखन भी संभव हैं।^[3]

विकास सामान्यतः अव्यवस्थित रूप से उत्पन्न व्यक्तियों की सरंध्रता से प्रारंभ होता है, और प्रत्येक पुनरावृत्ति में जनसंख्या के साथ एक पुनरावृत्त प्रक्रिया होती है जिसे एक पीढ़ी कहा जाता है। प्रत्येक पीढ़ी में, जनसंख्या में प्रत्येक व्यक्ति की उपयुक्तता (जीव विज्ञान) का मूल्यांकन किया जाता है; उपयुक्तता सामान्यतः पर अनुकूलन समस्या में उद्देश्य फलन का मान का समाधान किया जा रहा है। अधिक फिट व्यक्तियों को वर्तमान सरंध्रता से यादृच्छिक रूप से चुना जाता है और प्रत्येक व्यक्ति के जीनोम को एक नई पीढ़ी बनाने के लिए संशोधित (पुन: संयोजित और संभवतः यादृच्छिक रूप से उत्परिवर्तित) किया जाता है। नई पीढ़ी के उम्मीदवार समाधानों का उपयोग कलन विधि के अगले पुनरावृत्ति में किया जाता है। सामान्यतः, एल्गोरिथ्म समाप्त हो जाता है जब या तो अधिकतम पीढ़ियों का उत्पादन किया जाता है, या जनसंख्या के लिए एक संतोषजनक उपयुक्तता स्तर तक पहुंच जाता है।

एक विशिष्ट आनुवंशिक एल्गोरिथम की आवश्यकता होती है:

समाधान डोमेन का एक आनुवंशिक प्रतिनिधित्व,
समाधान डोमेन का मूल्यांकन करने के लिए एक उपयुक्तता कार्य

प्रत्येक उम्मीदवार समाधान का एक मानक प्रतिनिधित्व एक बिट सरणी (जिसे बिट सेट या बिट स्ट्रिंग भी कहा जाता है) के रूप में होता है।^[3] अन्य प्रकार की सरणियों और संरचनाओं का अनिवार्य रूप से उसी प्रकार उपयोग किया जा सकता है। मुख्य गुण जो इन आनुवंशिक अभ्यावेदन को सुविधाजनक बनाती है, वह यह है कि उनके हिस्से उनके निश्चित आकार के कारण आसानी से संरेखित होते हैं, जो सरल पारगमन (आनुवांशिक एल्गोरिथम) संचालन की सुविधा प्रदान करता है। परिवर्तनीय लंबाई के प्रतिनिधित्व का भी उपयोग किया जा सकता है, किन्तु इस स्थितियों में पारगमन कार्यान्वयन अधिक जटिल है। आनुवंशिक प्रोग्रामिंग में ट्री-लाइक प्रतिनिधित्व का पता लगाया जाता है और विकासवादी प्रोग्रामिंग में आरेख-प्रपत्र प्रतिनिधित्व का पता लगाया जाता है; जीन अभिव्यक्ति प्रोग्रामिंग में रैखिक गुणसूत्रों और पेड़ों दोनों के मिश्रण का पता लगाया जाता है।

एक बार आनुवंशिक प्रतिनिधित्व और उपयुक्तता फलन परिभाषित हो जाने के बाद, एक GA समाधानों की सरंध्रता को प्रारंभ करने के लिए आगे बढ़ता है और फिर उत्परिवर्तन, पारगमन, उलटा और चयन ऑपरेटरों के दोहराव वाले आवेदन के माध्यम से इसे सुधारता है।

प्रारंभ

जनसंख्या का आकार समस्या की प्रकृति पर निर्भर करता है, किन्तु सामान्यतः कई सैकड़ों या हजारों संभावित समाधान होते हैं। प्राय: प्रारंभिक जनसंख्या अव्यवस्थित रूप से उत्पन्न होती है, जिससे संभावित समाधानों की पूरी श्रृंखला (संभव क्षेत्र) की अनुमति मिलती है। कभी-कभी, समाधान उन क्षेत्रों में लगाए जा सकते हैं जहां इष्टतम समाधान मिलने की संभावना है।

चयन

प्रत्येक क्रमिक पीढ़ी के समय, वर्तमान सरंध्रता का एक हिस्सा एक नई पीढ़ी के प्रजनन के लिए चयन (आनुवांशिक एल्गोरिथम) होता है। एक उपयुक्तता-आधारित प्रक्रिया के माध्यम से व्यक्तिगत समाधानों का चयन किया जाता है, जहां उपयुक्तता (जीव विज्ञान) समाधान (जैसा कि एक उपयुक्तता फलन द्वारा मापा जाता है) सामान्यतः चुने जाने की अधिक संभावना होती है। कुछ चयन विधियां प्रत्येक समाधान की उपयुक्तता को रेट करती हैं और अधिमानतः सर्वोत्तम समाधानों का चयन करती हैं। अन्य विधियाँ जनसंख्या के केवल एक यादृच्छिक मानकों का मूल्यांकन करती हैं, क्योंकि पूर्व प्रक्रिया बहुत समय लेने वाली हो सकती है।

उपयुक्तता फलन को आनुवंशिक प्रतिनिधित्व पर परिभाषित किया गया है और प्रतिनिधित्व किए गए समाधान की गुणवत्ता को मापता है। उपयुक्तता फलन हमेशा समस्या पर निर्भर होता है। उदाहरण के लिए, थैला समस्या में व्यक्ति उन वस्तुओं के कुल मान को अधिकतम करना चाहता है जिन्हें किसी निश्चित क्षमता के थैले में रखा जा सकता है। एक समाधान का प्रतिनिधित्व बिट्स की एक सरणी हो सकता है, जहां प्रत्येक बिट एक अलग वस्तु का प्रतिनिधित्व करता है, और बिट का मान (0 या 1) दर्शाता है कि वस्तु नैपसैक में है या नहीं। ऐसा हर प्रतिनिधित्व मान्य नहीं है, क्योंकि वस्तुओं का आकार थैला की क्षमता से अधिक हो सकता है। यदि निरूपण वैध है, या अन्यथा 0 है, तो समाधान की उपयुक्तता थैला में सभी वस्तुओं के मानों का योग है।

कुछ समस्याओं में, उपयुक्तता अभिव्यक्ति को परिभाषित करना कठिन या असंभव भी है; इन स्थितियों में, एक लक्षणप्ररूप के उपयुक्तता फलन मान को निर्धारित करने के लिए एक कंप्यूटर अनुकरण का उपयोग किया जा सकता है (उदाहरण के लिए कम्प्यूटेशनल द्रव गतिकी का उपयोग वाहन के वायु प्रतिरोध को निर्धारित करने के लिए किया जाता है जिसका आकार लक्षणप्ररूप के रूप में एन्कोड किया गया है), या यहां तक कि पारस्परिक विकासवादी संगणना का उपयोग किया जाता है .

जेनेटिक ऑपरेटर

अगला चरण आनुवंशिक ऑपरेटर पारगमन (जिसे पुनर्संयोजन भी कहा जाता है) और उत्परिवर्तन के संयोजन के माध्यम से चुने गए लोगों से समाधान की दूसरी पीढ़ी की सरंध्रता उत्पन्न करना है।

उत्पादित किए जाने वाले प्रत्येक नए समाधान के लिए, पहले से चयनित पूल से प्रजनन के लिए मूल समाधानों की एक जोड़ी का चयन किया जाता है। पारगमन और उत्परिवर्तन के उपरोक्त विधियों का उपयोग करके एक चाइल्ड समाधान तैयार करके, एक नया समाधान तैयार किया जाता है जो सामान्यतः अपने माता-पिता की कई विशेषताओं को साझा करता है। प्रत्येक नए बच्चे के लिए नए माता-पिता का चयन किया जाता है, और यह प्रक्रिया तब तक जारी रहती है जब तक कि उपयुक्त आकार के समाधानों की एक नई सरंध्रता उत्पन्न नहीं हो जाती है।

यद्यपि प्रजनन के विधियों जो दो माता-पिता के उपयोग पर आधारित हैं, अधिक जीव विज्ञान से प्रेरित हैं, कुछ शोध^[4]^[5] सुझाव देता है कि दो से अधिक माता-पिता उच्च गुणवत्ता वाले गुणसूत्र उत्पन्न करते हैं।

इन प्रक्रियाओं के परिणामस्वरूप अंततः अगली पीढ़ी के गुणसूत्रों की सरंध्रता होती है जो प्रारंभिक पीढ़ी से अलग होती है। सामान्यतः, सरंध्रता के लिए इस प्रक्रिया से औसत उपयुक्तता में वृद्धि होगी, क्योंकि पहली पीढ़ी के केवल सबसे अच्छे जीवों को कम फिट समाधानों के एक छोटे अनुपात के साथ प्रजनन के लिए चुना जाता है। ये कम फिट समाधान माता-पिता के आनुवंशिक पूल के अन्दर आनुवंशिक विविधता सुनिश्चित करते हैं और इसलिए बाद की पीढ़ी के बच्चों की आनुवंशिक विविधता सुनिश्चित करते हैं।

पारगमन बनाम उत्परिवर्तन के महत्व पर राय बंटी हुई है। डेविड बी फोगेल (2006) में कई संदर्भ हैं जो उत्परिवर्तन-आधारित खोज के महत्व का समर्थन करते हैं।

चूंकि पारगमन और उत्परिवर्तन को मुख्य जेनेटिक ऑपरेटर के रूप में जाना जाता है, फिर भी जेनेटिक एल्गोरिदम में रीग्रुपिंग, कॉलोनाइजेशन-विलुप्त होने या माइग्रेशन जैसे अन्य ऑपरेटरों का उपयोग करना संभव है।^{[citation needed]}

समस्या वर्ग के लिए उचित सेटिंग्स खोजने के लिए उत्परिवर्तन (आनुवांशिक एल्गोरिदम) संभावना, पारगमन (जेनेटिक एल्गोरिदम) संभावना और जनसंख्या आकार जैसे ट्यूनिंग पैरामीटर के लायक है। बहुत कम उत्परिवर्तन दर से आनुवंशिक बहाव हो सकता है (जो प्रकृति में गैर-एर्गोडिसिटी है)। एक पुनर्संयोजन दर जो बहुत अधिक है, आनुवंशिक एल्गोरिथम के समय से पहले अभिसरण का कारण बन सकती है। एक उत्परिवर्तन दर जो बहुत अधिक है, अच्छे समाधानों के हानि का कारण बन सकती है, जब तक कि उत्कृष्टता कार्यरत न हो। एक पर्याप्त जनसंख्या आकार हाथ में समस्या के लिए पर्याप्त आनुवंशिक विविधता सुनिश्चित करता है, किन्तु आवश्यकता से अधिक मूल्य पर सेट होने पर कम्प्यूटेशनल संसाधनों की पतन हो सकती है।

आंकलन

ऊपर दिए गए मुख्य ऑपरेटरों के अतिरिक्त, गणना को तेज या अधिक शक्तिशाली बनाने के लिए अन्य अनुमानों को नियोजित किया जा सकता है। परिकल्पना अनुमानवादी उम्मीदवार समाधानों के बीच पारगमन को दंडित करता है जो बहुत समान हैं; यह जनसंख्या विविधता को प्रोत्साहित करता है और कम इष्टतम समाधान के लिए समय से पहले अभिसरण (विकासवादी कंप्यूटिंग) को रोकने में सहायता करता है।^[6]^[7]

समाप्ति

समाप्ति की स्थिति तक पहुंचने तक यह पीढ़ीगत प्रक्रिया दोहराई जाती है। सामान्य समाप्ति की स्थिति हैं:

एक समाधान पाया जाता है जो न्यूनतम मानदंडों को पूरा करता है।
पीढ़ियों की निश्चित संख्या पहुँची है।
आवंटित बजट (गणना समय/पैसा) पहुंच गया है।
उच्चतम रैंकिंग समाधान की उपयुक्तता पहुँच रही है या एक पठार पर पहुँच गई है जैसे कि क्रमिक पुनरावृत्तियाँ अब उत्तम परिणाम नहीं देती है।
स्वतः निरीक्षण
उपरोक्त का संयोजन

रचक खंड परिकल्पना

जेनेटिक एल्गोरिदम को प्रायुक्त करना आसान है, किन्तु उनके व्यवहार को समझना कठिन है। विशेष रूप से, यह समझना कठिन है कि व्यावहारिक समस्याओं पर प्रायुक्त होने पर ये एल्गोरिदम अधिकांश उच्च उपयुक्तता के समाधान उत्पन्न करने में क्यों सफल होते हैं। रचक खंड परिकल्पना (बीबीएच) में सम्मिलित हैं:

एक अनुमानी का विवरण जो रचक खण्डों की पहचान और पुनर्संयोजन करके अनुकूलन करता है, अर्थात् कम क्रम, कम परिभाषित-लंबाई वाली स्कीमा (आनुवांशिक एल्गोरिदम) ऊपर औसत उपयुक्तता के साथ।
एक परिकल्पना कि एक आनुवंशिक एल्गोरिथम इस अनुमानी को स्पष्ट रूप से और कुशलता से प्रायुक्त करके अनुकूलन करता है।

गोल्डबर्ग अनुमानी का वर्णन इस प्रकार करते हैं:

कम, लो ऑर्डर, और अत्यधिक फिट स्कीमाटा का मानक लिया जाता है, पारगमन (जेनेटिक एल्गोरिथम) [क्रॉस ओवर], और संभावित उच्च उपयुक्तता के तार बनाने के लिए फिर से तैयार किया जाता है। एक प्रकार से, इन विशेष स्कीमाटा [रचक खण्डों] के साथ काम करके, हमने अपनी समस्या की जटिलता को कम किया है; प्रत्येक बोधगम्य संयोजन की कोशिश करके उच्च-प्रदर्शन स्ट्रिंग्स बनाने के अतिरिक्त, हम पिछले मानकों के सर्वोत्तम आंशिक समाधानों से उत्तम और उत्तम स्ट्रिंग्स का निर्माण करते हैं।

क्योंकि कम परिभाषित लंबाई और निम्न क्रम के अत्यधिक फिट स्कीमाटा आनुवंशिक एल्गोरिदम की कार्रवाई में इतनी महत्वपूर्ण भूमिका निभाते हैं, हमने उन्हें पहले से ही एक विशेष नाम दिया है: रचक खण्डों। जिस प्रकार एक बच्चा लकड़ी के साधारण ब्लॉकों की व्यवस्था के माध्यम से शानदार किले बनाता है, उसी प्रकार एक आनुवंशिक एल्गोरिथ्म शॉर्ट, लो-ऑर्डर, हाई-परप्रपत्रेंस स्कीमाटा, या रचक खण्डों के संयोजन के माध्यम से इष्टतम प्रदर्शन की तलाश करता है।^[8]

बिल्डिंग-ब्लॉक परिकल्पना की वैधता के संबंध में सामान्य सहमति की कमी के अतिरिक्त, इसका लगातार मूल्यांकन किया गया है और पूरे वर्षों में संदर्भ के रूप में इसका उपयोग किया गया है। वितरण एल्गोरिदम के कई अनुमान, उदाहरण के लिए, एक वातावरण प्रदान करने के प्रयास में प्रस्तावित किए गए हैं जिसमें परिकल्पना मान्य होगी।^[9]^[10] चूंकि समस्याओं के कुछ वर्गों के लिए अच्छे परिणाम बताए गए हैं, जीए दक्षता के स्पष्टीकरण के रूप में बिल्डिंग-ब्लॉक परिकल्पना की विस्तृतता और/या व्यावहारिकता के संबंध में संदेह अभी भी बना हुआ है। वास्तविक में, वितरण एल्गोरिदम के अनुमान के परिप्रेक्ष्य से इसकी सीमाओं को समझने का प्रयास करने के लिए एक उचित मात्रा में काम है।^[11]^[12]^[13]

सीमाएं

वैकल्पिक अनुकूलन एल्गोरिदम की तुलना में आनुवंशिक एल्गोरिथम के उपयोग की सीमाएँ हैं:

जटिल समस्याओं के लिए बार-बार उपयुक्तता फलन का मूल्यांकन अधिकांश कृत्रिम विकासवादी एल्गोरिदम का सबसे निषेधात्मक और सीमित खंड होता है। जटिल उच्च-आयामी, बहुआयामी समस्याओं का इष्टतम समाधान खोजने के लिए अधिकांश बहुत महंगे उपयुक्तता फलन मूल्यांकन की आवश्यकता होती है। वास्तविक संसार की समस्याओं जैसे संरचनात्मक अनुकूलन समस्याओं में, एक एकल कार्य मूल्यांकन के लिए कई घंटों से लेकर कई दिनों तक पूर्ण अनुकरण की आवश्यकता हो सकती है। विशिष्ट अनुकूलन विधियाँ इस प्रकार की समस्या से नहीं निपट सकती हैं। इस स्थितियों में, एक त्रुटिहीन मूल्यांकन छोड़ना और एक उपयुक्तता सन्निकटन का उपयोग करना आवश्यक हो सकता है जो कम्प्यूटेशनल रूप से कुशल है। यह स्पष्ट है कि जटिल वास्तविक जीवन की समस्याओं को समाधान करने के लिए GA का उपयोग करने के लिए उपयुक्तता सन्निकटन का समामेलन सबसे आशाजनक दृष्टिकोणों में से एक हो सकता है।
जेनेटिक एल्गोरिदम जटिलता के साथ अच्छी तरह से स्केल नहीं करते हैं। यही है, जहां उत्परिवर्तन के संपर्क में आने वाले तत्वों की संख्या बड़ी है, वहां अधिकांश खोज स्थान के आकार में घातीय वृद्धि होती है। इससे इंजन, घर या विमान को डिजाइन करने जैसी समस्याओं पर तकनीक का उपयोग करना अधिक कठिन हो जाता है।^{[citation needed]} विकासवादी खोज के लिए ऐसी समस्याओं को सुगम बनाने के लिए, उन्हें यथासंभव सरलतम प्रतिनिधित्व में विभाजित किया जाना चाहिए। इसलिए हम सामान्यतः विकासवादी एल्गोरिदम को इंजनों के अतिरिक्त पंखे के ब्लेड के लिए एन्कोडिंग डिज़ाइन देखते हैं, विस्तृत निर्माण योजनाओं और पूरे विमान डिज़ाइनों के अतिरिक्त एयरफ़ोइल के अतिरिक्त आकृतियों का निर्माण करते हैं। जटिलता की दूसरी समस्या यह है कि आगे विनाशकारी उत्परिवर्तन से अच्छे समाधान का प्रतिनिधित्व करने के लिए विकसित किए गए भागों की रक्षा कैसे की जाए, विशेषतः जब उनके उपयुक्तता मूल्यांकन के लिए उन्हें अन्य भागों के साथ अच्छी तरह से संयोजित करने की आवश्यकता होती है।
अन्य समाधानों की तुलना में ही उत्तम समाधान है। परिणामस्वरूप, रोक मानदंड हर समस्या में स्पष्ट नहीं है।
कई समस्याओं में, GA में समस्या के वैश्विक इष्टतम के अतिरिक्त स्थानीय इष्टतम या यहाँ तक कि स्वैच्छिक बिंदुओं की ओर अभिसरण करने की प्रवृत्ति होती है। इसका अर्थ यह है कि यह लंबी अवधि की उपयुक्तता प्राप्त करने के लिए अल्पकालिक उपयुक्तता का त्याग करना नहीं जानता है। ऐसा होने की संभावना उपयुक्तता परिदृश्य के आकार पर निर्भर करती है: कुछ समस्याएं वैश्विक इष्टतम की ओर एक आसान चढ़ाई प्रदान कर सकती हैं, अन्य कार्य के लिए स्थानीय ऑप्टिमा को ढूंढना आसान बना सकती हैं। इस समस्या को एक अलग उपयुक्तता फलन का उपयोग करके, उत्परिवर्तन की दर में वृद्धि करके, या चयन तकनीकों का उपयोग करके समाधान किया जा सकता है जो समाधान की विविध सरंध्रता को बनाए रखता है,^[14] चूंकि खोज और अनुकूलन में कोई मुफ्त लंच नहीं^[15] सिद्ध करता है कि इस समस्या का कोई सामान्य समाधान नहीं है। विविधता को बनाए रखने के लिए एक सामान्य तकनीक एक आला दंड लगाना है, जिसमें, पर्याप्त समानता वाले व्यक्तियों के किसी भी समूह (आला त्रिज्या) में एक दंड जोड़ा जाता है, जो बाद की पीढ़ियों में उस समूह के प्रतिनिधित्व को कम कर देगा, अन्य (कम समान) व्यक्तियों को अनुमति देगा जनसंख्या में बनाए रखना है। चूँकि, समस्या के परिदृश्य के आधार पर, यह तरकीब प्रभावी नहीं हो सकती है। एक अन्य संभावित तकनीक जनसंख्या के हिस्से को अव्यवस्थित रूप से उत्पन्न व्यक्तियों के साथ बदलना होगा, जब अधिकांश सरंध्रता एक-दूसरे के समान होती है। आनुवंशिक एल्गोरिदम (और आनुवंशिक प्रोग्रामिंग) में विविधता महत्वपूर्ण है क्योंकि एक सजातीय सरंध्रता को पार करने से नए समाधान नहीं मिलते हैं। उत्क्रांति रणनीति और विकासवादी प्रोग्रामिंग में, उत्परिवर्तन पर अधिक निर्भरता के कारण विविधता आवश्यक नहीं है।
डायनेमिक समुच्चय सेट पर काम करना कठिन है, क्योंकि जीनोम जल्दी समाधान की ओर अभिसरण करना प्रारंभ कर देते हैं जो बाद के समुच्चय के लिए मान्य नहीं हो सकता है। आनुवंशिक विविधता को किसी प्रकार बढ़ाकर और प्रारंभिक अभिसरण को रोककर, समाधान की गुणवत्ता में गिरावट आने पर उत्परिवर्तन की संभावना को बढ़ाकर (ट्रिगर हाइपरउत्परिवर्तन कहा जाता है), या कभी-कभी जीन पूल में पूरी तरह से नए, अव्यवस्थित रूप से उत्पन्न तत्वों को प्रस्तुत करके इसे दूर करने के लिए कई विधियों प्रस्तावित किए गए हैं। (यादृच्छिक आप्रवासी कहा जाता है)। फिर से, विकास रणनीति और विकासवादी प्रोग्रामिंग को एक तथाकथित अल्पविराम रणनीति के साथ प्रायुक्त किया जा सकता है जिसमें माता-पिता का रखरखाव नहीं किया जाता है और नए माता-पिता केवल संतानों में से चुने जाते हैं। यह गतिशील समस्याओं पर अधिक प्रभावी हो सकता है।
जीए उन समस्याओं को प्रभावी रूप से समाधान नहीं कर सकते हैं जिनमें एकमात्र उपयुक्तता उपाय एक सही/गलत उपाय है (जैसे निर्णय समस्याएं), क्योंकि समाधान पर अभिसरण करने का कोई विधि नहीं है (चढ़ने के लिए कोई पहाड़ी नहीं)। इन स्थितियों में, यादृच्छिक खोज से GA जितनी जल्दी समाधान मिल सकता है। चूँकि, यदि स्थिति सफलता/असफलता परीक्षण को अलग-अलग परिणाम देने (संभवतः) देने की अनुमति देती है, तो सफलताओं से असफलताओं का अनुपात एक उपयुक्त उपयुक्तता उपाय प्रदान करता है।
विशिष्ट अनुकूलन समस्याओं और समस्या उदाहरणों के लिए, अभिसरण की गति के संदर्भ में अन्य अनुकूलन एल्गोरिदम आनुवंशिक एल्गोरिदम की तुलना में अधिक कुशल हो सकते हैं। वैकल्पिक और पूरक एल्गोरिदम में विकास रणनीति, विकासवादी प्रोग्रामिंग, तैयार किए हुयी धातु पे पानी चढाने की कला, गॉसियन अनुकूलन, पहाड़ी चढ़ाई, और झुंड खुफिया (जैसे: चींटी कॉलोनी अनुकूलन, कण झुंड अनुकूलन) और पूर्णांक रैखिक प्रोग्रामिंग पर आधारित विधियों सम्मिलित हैं। आनुवंशिक एल्गोरिदम की उपयुक्तता समस्या के ज्ञान की मात्रा पर निर्भर करती है; प्रसिद्ध समस्याओं में अधिकांश उत्तम, अधिक विशिष्ट दृष्टिकोण होते हैं।

प्रकार

गुणसूत्र प्रतिनिधित्व

सबसे सरल एल्गोरिथ्म प्रत्येक गुणसूत्र को बिट सरणी के रूप में दर्शाता है। सामान्यतः, संख्यात्मक मापदंडों को पूर्णांकों द्वारा दर्शाया जा सकता है, चूंकि तैरनेवाला स्थल अभ्यावेदन का उपयोग करना संभव है। इवोल्यूशन रणनीति और विकासवादी प्रोग्रामिंग के लिए फ्लोटिंग पॉइंट प्रतिनिधित्व स्वाभाविक है। वास्तविक-मूल्यवान आनुवंशिक एल्गोरिदम की धारणा की प्रस्तुति की गई है किन्तु वास्तव में एक मिथ्या नाम है क्योंकि यह वास्तव में रचक खंड सिद्धांत का प्रतिनिधित्व नहीं करता है जो 1970 के दशक में जॉन हेनरी हॉलैंड द्वारा प्रस्तावित किया गया था। सैद्धांतिक और प्रयोगात्मक परिणामों (नीचे देखें) के आधार पर, चूंकि यह सिद्धांत समर्थन के बिना नहीं है। मूलभूत एल्गोरिथ्म बिट स्तर पर पारगमन और उत्परिवर्तन करता है। अन्य वेरिएंट क्रोमोसोम को संख्याओं की एक सूची के रूप में मानते हैं जो एक निर्देश तालिका, एक लिंक की गई सूची में नोड्स, साहचर्य सरणी, वस्तु (कंप्यूटर विज्ञान), या कोई अन्य कल्पनीय समुच्चय संरचना में अनुक्रमित होते हैं। समुच्चय तत्व सीमाओं का सम्मान करने के लिए पारगमन और उत्परिवर्तन किया जाता है। अधिकांश समुच्चय प्रकारों के लिए, विशिष्ट भिन्नता ऑपरेटरों को डिज़ाइन किया जा सकता है। अलग-अलग विशिष्ट समस्या डोमेन के लिए अलग-अलग क्रोमोसोमल समुच्चय प्रकार उत्तम या बदतर काम करते हैं।

जब पूर्णांकों के बिट-स्ट्रिंग अभ्यावेदन का उपयोग किया जाता है, तो ग्रे कोडिंग को अधिकांश नियोजित किया जाता है। इस प्रकार, पूर्णांक में छोटे बदलाव उत्परिवर्तन या पारगमन के माध्यम से आसानी से प्रभावित हो सकते हैं। यह तथाकथित हैमिंग दीवारों पर समयपूर्व अभिसरण को रोकने में सहायता करने के लिए पाया गया है, जिसमें क्रोमोसोम को उत्तम समाधान में बदलने के लिए एक साथ कई उत्परिवर्तन (या पारगमन घटनाएं) होनी चाहिए।

अन्य दृष्टिकोणों में गुणसूत्रों का प्रतिनिधित्व करने के लिए बिट स्ट्रिंग्स के अतिरिक्त वास्तविक-मूल्यवान संख्याओं की सरणियों का उपयोग करना सम्मिलित है। स्कीमाटा के सिद्धांत के परिणाम बताते हैं कि सामान्यतः वर्ण जितना छोटा होता है, प्रदर्शन उतना ही उत्तम होता है, किन्तु शोधकर्ताओं के लिए प्रारंभ में यह आश्चर्यजनक था कि वास्तविक-मानमूल्य वाले गुणसूत्रों का उपयोग करने से अच्छे परिणाम प्राप्त हुए। इसे क्रोमोसोम की एक परिमित सरंध्रता में वास्तविक मानों के सेट के रूप में समझाया गया था, क्योंकि फ्लोटिंग पॉइंट प्रतिनिधित्व से अपेक्षाकृत कम कार्डिनैलिटी के साथ वर्चुअल वर्णमाला (जब चयन और पुनर्मूल्यांकन प्रभावी होते हैं) बनाते हैं।^[16]^[17] जेनेटिक एल्गोरिथम सुलभ समस्या डोमेन का विस्तार समाधान पूल के अधिक जटिल एन्कोडिंग के माध्यम से कई प्रकार के विषम एन्कोडेड जीनों को एक गुणसूत्र में जोड़कर प्राप्त किया जा सकता है।^[18] यह विशेष दृष्टिकोण उन अनुकूलन समस्याओं को समाधान करने की अनुमति देता है जिनके लिए समस्या मापदंडों के लिए अत्यधिक भिन्न परिभाषा डोमेन की आवश्यकता होती है। उदाहरण के लिए, कैस्केड कंट्रोलर ट्यूनिंग की समस्याओं में, आंतरिक लूप नियंत्रक संरचना तीन मापदंडों के एक पारंपरिक नियामक से संबंधित हो सकती है, चूंकि बाहरी लूप एक भाषाई नियंत्रक (जैसे फ़ज़ी प्रणाली) को प्रायुक्त कर सकता है, जिसका एक अलग विवरण है। एन्कोडिंग के इस विशेष रूप के लिए एक विशेष पारगमन तंत्र की आवश्यकता होती है जो क्रोमोसोम को खंड द्वारा पुनर्संयोजित करता है, और यह जटिल अनुकूली प्रणालियों, विशेष रूप से विकास प्रक्रियाओं के मॉडलिंग और अनुकरण के लिए एक उपयोगी उपकरण है।

अभिजात वर्ग

एक नई सरंध्रता के निर्माण की सामान्य प्रक्रिया का एक व्यावहारिक रूप वर्तमान पीढ़ी से सर्वोत्तम जीवों को अगले, अनछुए तक ले जाने की अनुमति देना है। इस रणनीति को अभिजात्य चयन के रूप में जाना जाता है और यह गारंटी देता है कि GA द्वारा प्राप्त समाधान की गुणवत्ता एक पीढ़ी से दूसरी पीढ़ी तक कम नहीं होगी।^[19]

समानांतर कार्यान्वयन

अनुवांशिक एल्गोरिदम के समांतर एल्गोरिदम कार्यान्वयन दो स्वादों में आते हैं। मोटे-दाने वाले समानांतर आनुवंशिक एल्गोरिदम प्रत्येक कंप्यूटर नोड पर जनसंख्या और नोड्स के बीच व्यक्तियों के प्रवासन को मानते हैं। सुक्ष्म समानांतर आनुवंशिक एल्गोरिदम प्रत्येक प्रोसेसर नोड पर एक व्यक्ति को ग्रहण करते हैं जो चयन और प्रजनन के लिए पड़ोसी व्यक्तियों के साथ कार्य करता है।

अन्य प्रकार, जैसे ऑनलाइन अनुकूलन समस्याओं के लिए आनुवंशिक एल्गोरिदम, उपयुक्तता फलन में समय-निर्भरता या ध्वनी का परिचय देते हैं।

अनुकूली जीए

अनुकूली मापदंडों के साथ आनुवंशिक एल्गोरिदम (अनुकूली आनुवंशिक एल्गोरिदम, AGAs) आनुवंशिक एल्गोरिदम का एक और महत्वपूर्ण और आशाजनक संस्करण है। पारगमन (पीसी) और उत्परिवर्तन (अपराह्न) की संभावनाएं समाधान शुद्धता की डिग्री और अभिसरण गति को निर्धारित करती हैं जो आनुवंशिक एल्गोरिदम प्राप्त कर सकते हैं। पीसी और पीएम के निश्चित मानों का उपयोग करने के अतिरिक्त, एजीए प्रत्येक पीढ़ी में जनसंख्या की जानकारी का उपयोग करते हैं और जनसंख्या विविधता को बनाए रखने के साथ-साथ अभिसरण क्षमता को बनाए रखने के लिए पीसी और पीएम को अनुकूल रूप से समायोजित करते हैं। AGA (अनुकूली आनुवंशिक एल्गोरिथम),^[20] में पीसी और पीएम का समायोजन समाधानों के उपयुक्तता मानों पर निर्भर करता है। CAGA (क्लस्टरिंग-आधारित अनुकूली आनुवंशिक एल्गोरिथम) में,^[21] जनसंख्या के अनुकूलन राज्यों का न्याय करने के लिए क्लस्टरिंग विश्लेषण के उपयोग के माध्यम से, पीसी और पीएम का समायोजन इन अनुकूलन राज्यों पर निर्भर करता है।

GA को अन्य अनुकूलन विधियों के साथ संयोजित करना अधिक प्रभावी हो सकता है। सामान्यतः अच्छे वैश्विक समाधान खोजने में एक जीए अधिक अच्छा होता है, किन्तु पूर्ण इष्टतम खोजने के लिए पिछले कुछ उत्परिवर्तनों को खोजने में अधिक अक्षम है। अन्य तकनीकें (जैसे पहाड़ी चढ़ाई) एक सीमित क्षेत्र में पूर्ण इष्टतम खोजने में अधिक कुशल हैं। वैकल्पिक जीए और पहाड़ी चढ़ाई की शक्तिशालीी की कमी को दूर करते हुए पहाड़ी चढ़ाई जीए की दक्षता में सुधार कर सकते हैं।^{[citation needed]}

इसका अर्थ यह है कि प्राकृतिक स्थितियों में अनुवांशिक भिन्नता के नियमों का एक अलग अर्थ हो सकता है। उदाहरण के लिए - परन्तु चरणों को लगातार क्रम में संग्रहीत किया जाए - क्रॉसिंग ओवर मातृ डीएनए से कई चरणों का योग कर सकता है और पैतृक डीएनए से कई चरणों को जोड़ सकता है। यह उन सदिशों को जोड़ने के समान है जो लक्षणप्ररूपी भूदृश्य में एक रिज का अनुसरण कर सकते हैं। इस प्रकार, परिमाण के कई आदेशों से प्रक्रिया की दक्षता में वृद्धि हो सकती है। इसके अतिरिक्त, क्रोमोसोमल व्युत्क्रम में जीवित रहने या दक्षता के पक्ष में लगातार क्रम या किसी अन्य उपयुक्त क्रम में चरण रखने का अवसर होता है।^[22]

एक भिन्नता, जहां एक पूरे के रूप में जनसंख्या अपने व्यक्तिगत सदस्यों के अतिरिक्त विकसित होती है, जीन पूल पुनर्संयोजन के रूप में जाना जाता है।

उपयुक्तता एपिस्टासिस के उच्च स्तर के साथ समस्याओं पर जीए के प्रदर्शन को उत्तम बनाने का प्रयास करने के लिए कई विविधताएं विकसित की गई हैं, अर्थात् जहां किसी समाधान की उपयुक्तता में इसके चर के अंतःक्रियात्मक सबसेट होते हैं। इस प्रकार के एल्गोरिदम का उद्देश्य इन लाभकारी लक्षणप्ररूपिक इंटरैक्शन को सीखना (शोषण करने से पहले) है। जैसे, वे विघटनकारी पुनर्संयोजन को अनुकूल रूप से कम करने में रचक खंड परिकल्पना के साथ संरेखित हैं। इस दृष्टिकोण के प्रमुख उदाहरणों में एमजीए,^[23] जीईएम^[24] और एलएलजीए सम्मिलित है।^[25]

समस्या डोमेन

समस्याएं जो जेनेटिक एल्गोरिदम द्वारा समाधान के लिए विशेष रूप से उपयुक्त प्रतीत होती हैं उनमें जेनेटिक एल्गोरिदम शेड्यूलिंग सम्मिलित है, और कई शेड्यूलिंग सॉफ़्टवेयर पैकेज GAs पर आधारित हैं।^{[citation needed]} GA को अभियांत्रिकी में भी प्रायुक्त किया गया है।^[26] वैश्विक अनुकूलन समस्याओं को समाधान करने के लिए आनुवंशिक एल्गोरिदम को अधिकांश एक दृष्टिकोण के रूप में प्रायुक्त किया जाता है।

थंब जेनेटिक एल्गोरिदम के एक सामान्य नियम के रूप में समस्या डोमेन में उपयोगी हो सकता है जिसमें मिश्रण के रूप में एक जटिल उपयुक्तता परिदृश्य है, अर्थात्, उत्परिवर्तन (जेनेटिक एल्गोरिदम) पारगमन (जेनेटिक एल्गोरिदम) के संयोजन में, सरंध्रता को स्थानीय ऑप्टिमा से दूर ले जाने के लिए डिज़ाइन किया गया है। एक पारंपरिक पहाड़ी चढ़ाई एल्गोरिथ्म में फंस सकता है। निरीक्षण करें कि सामान्यतः उपयोग किए जाने वाले पारगमन ऑपरेटर किसी भी समान सरंध्रता को नहीं बदल सकते हैं। अकेले उत्परिवर्तन समग्र आनुवंशिक एल्गोरिथम प्रक्रिया (मार्कोव श्रृंखला के रूप में देखा गया) की क्षुद्रता प्रदान कर सकता है।

जेनेटिक एल्गोरिदम द्वारा समाधान की गई समस्याओं के उदाहरणों में सम्मिलित हैं: सूर्य के प्रकाश को सौर संग्राहक तक पहुंचाने के लिए डिज़ाइन किए गए दर्पण,^[27] अंतरिक्ष में रेडियो सिग्नल लेने के लिए डिज़ाइन किया गया एंटीना,^[28] कंप्यूटर के आंकड़ों के लिए चलने के विधियों,^[29] जटिल प्रवाहक्षेत्रों में वायुगतिकीय पिंडों का इष्टतम डिजाइन^[30] अपने एल्गोरिथम डिज़ाइन स्वतः में, स्टीवन स्कीएना किसी भी कार्य के लिए आनुवंशिक एल्गोरिथम के विरुद्ध सलाह देता है:

[I] बिट स्ट्रिंग्स पर उत्परिवर्तन और क्रॉसओवर जैसे अनुवांशिक ऑपरेटरों के मामले में मॉडल अनुप्रयोगों के लिए काफी अप्राकृतिक है। छद्म जीव विज्ञान आपके और आपकी समस्या के बीच जटिलता का एक और स्तर जोड़ता है। दूसरा, अनुवांशिक एल्गोरिदम गैर-तुच्छ समस्याओं पर बहुत लंबा समय लेते हैं। [...] [टी] वह विकास के साथ सादृश्य-जहां महत्वपूर्ण प्रगति की आवश्यकता है [एसआईसी] लाखों साल-काफी उपयुक्त हो सकता है।
[...]
मुझे कभी भी किसी समस्या का सामना नहीं करना पड़ा जहां जेनेटिक एल्गोरिदम मुझे इस पर हमला करने का सही तरीका लगा। इसके अलावा, मैंने जेनेटिक एल्गोरिदम का उपयोग करके रिपोर्ट किए गए किसी भी कम्प्यूटेशनल परिणाम को कभी नहीं देखा है जिसने मुझे अनुकूल रूप से प्रभावित किया हो। अपनी अनुमानी खोज वूडू आवश्यकताओं के लिए नकली एनीलिंग पर टिके रहें।
— Steven Skiena^[31]^: 267

इतिहास

1950 में, एलन ट्यूरिंग ने एक सीखने की मशीन प्रस्तावित की जो विकास के सिद्धांतों के समानांतर होगी।^[32] विकास का कंप्यूटर सिमुलेशन 1954 में निल्स ऑल बरीज़ के काम से प्रारंभ हुआ, जो प्रिंसटन, न्यू जर्सी में उन्नत अध्ययन संस्थान में कंप्यूटर का उपयोग कर रहे थे।

वाणिज्यिक उत्पाद

1980 के दशक के अंत में, जनरल इलेक्ट्रिक ने संसार का पहला जेनेटिक एल्गोरिथम उत्पाद बेचना प्रारंभ किया, जो औद्योगिक प्रक्रियाओं के लिए डिज़ाइन किया गया एक मेनफ्रेम-आधारित टूलकिट था।^[33]^{[circular reference]} 1989 में, एक्सेलिस, इंक. ने डेस्कटॉप कंप्यूटरों के लिए संसार का पहला व्यावसायिक जीए उत्पाद, एवोल्वर (सॉफ्टवेयर) जारी दी न्यू यौर्क टाइम्स प्रौद्योगिकी लेखक जॉन मार्कोफ ने लिखा^[34] 1990 में एवोल्वर के बारे में, और यह 1995 तक एकमात्र इंटरैक्टिव वाणिज्यिक आनुवंशिक एल्गोरिथम बना रहा।^[35] Evolver को 1997 में Palisade को बेच दिया गया था, जिसका कई भाषाओं में अनुवाद किया गया, और वर्तमान में यह अपने 6वें संस्करण में है।^[36] 1990 के दशक के बाद से, MATLAB ने तीन व्युत्पन्न-मुक्त अनुकूलन हेयुरिस्टिक एल्गोरिदम (नकली एनीलिंग, कण झुंड अनुकूलन, आनुवंशिक एल्गोरिथ्म) और दो प्रत्यक्ष खोज एल्गोरिदम (सिम्प्लेक्स खोज, पैटर्न खोज) में बनाया है।^[37]

[FOOTNOTEWhitley199466-3] 3.0 ^3.1 Whitley 1994, p. 66.

[4] Eiben, A. E. et al (1994). "Genetic algorithms with multi-parent recombination". PPSN III: Proceedings of the International Conference on Evolutionary Computation. The Third Conference on Parallel Problem Solving from Nature: 78–87. ISBN 3-540-58484-6.

[5] Ting, Chuan-Kang (2005). "On the Mean Convergence Time of Multi-parent Genetic Algorithms Without Selection". Advances in Artificial Life: 403–412. ISBN 978-3-540-28848-0.

[6] Deb, Kalyanmoy; Spears, William M. (1997). "C6.2: Speciation methods". Handbook of Evolutionary Computation. Institute of Physics Publishing. S2CID 3547258.

[7] Shir, Ofer M. (2012). "Niching in Evolutionary Algorithms". In Rozenberg, Grzegorz; Bäck, Thomas; Kok, Joost N. (eds.). Handbook of Natural Computing (in English). Springer Berlin Heidelberg. pp. 1035–1069. doi:10.1007/978-3-540-92910-9_32. ISBN 9783540929093.

[FOOTNOTEGoldberg198941-8] Goldberg 1989, p. 41.

[9] Harik, Georges R.; Lobo, Fernando G.; Sastry, Kumara (1 January 2006). Linkage Learning via Probabilistic Modeling in the Extended Compact Genetic Algorithm (ECGA). pp. 39–61. doi:10.1007/978-3-540-34954-9_3. ISBN 978-3-540-34953-2. {{cite book}}: |journal= ignored (help)

[10] Pelikan, Martin; Goldberg, David E.; Cantú-Paz, Erick (1 January 1999). BOA: The Bayesian Optimization Algorithm. pp. 525–532. ISBN 9781558606111. {{cite book}}: |journal= ignored (help)

[11] Coffin, David; Smith, Robert E. (1 January 2008). Linkage Learning in Estimation of Distribution Algorithms. pp. 141–156. doi:10.1007/978-3-540-85068-7_7. ISBN 978-3-540-85067-0. {{cite book}}: |journal= ignored (help)

[12] Echegoyen, Carlos; Mendiburu, Alexander; Santana, Roberto; Lozano, Jose A. (8 November 2012). "On the Taxonomy of Optimization Problems Under Estimation of Distribution Algorithms". Evolutionary Computation. 21 (3): 471–495. doi:10.1162/EVCO_a_00095. ISSN 1063-6560. PMID 23136917. S2CID 26585053.

[13] Sadowski, Krzysztof L.; Bosman, Peter A.N.; Thierens, Dirk (1 January 2013). On the Usefulness of Linkage Processing for Solving MAX-SAT. pp. 853–860. doi:10.1145/2463372.2463474. hdl:1874/290291. ISBN 9781450319638. S2CID 9986768. {{cite book}}: |journal= ignored (help)

[14] Taherdangkoo, Mohammad; Paziresh, Mahsa; Yazdi, Mehran; Bagheri, Mohammad Hadi (19 November 2012). "An efficient algorithm for function optimization: modified stem cells algorithm". Central European Journal of Engineering. 3 (1): 36–50. doi:10.2478/s13531-012-0047-8.

[15] Wolpert, D.H., Macready, W.G., 1995. No Free Lunch Theorems for Optimisation. Santa Fe Institute, SFI-TR-05-010, Santa Fe.

[Goldberg1991-16] Goldberg, David E. (1991). "The theory of virtual alphabets". Parallel Problem Solving from Nature. pp. 13–22. doi:10.1007/BFb0029726. ISBN 978-3-540-54148-6. {{cite book}}: |journal= ignored (help)

[Janikow1991-17] Janikow, C. Z.; Michalewicz, Z. (1991). "An Experimental Comparison of Binary and Floating Point Representations in Genetic Algorithms" (PDF). Proceedings of the Fourth International Conference on Genetic Algorithms: 31–36. Archived (PDF) from the original on 2022-10-09. Retrieved 2 July 2013.

[Patrascu2014-18] Patrascu, M.; Stancu, A.F.; Pop, F. (2014). "HELGA: a heterogeneous encoding lifelike genetic algorithm for population evolution modeling and simulation". Soft Computing. 18 (12): 2565–2576. doi:10.1007/s00500-014-1401-y. S2CID 29821873.

[19] Baluja, Shumeet; Caruana, Rich (1995). Removing the genetics from the standard genetic algorithm (PDF). ICML. Archived (PDF) from the original on 2022-10-09.

[20] Srinivas, M.; Patnaik, L. (1994). "Adaptive probabilities of crossover and mutation in genetic algorithms" (PDF). IEEE Transactions on System, Man and Cybernetics. 24 (4): 656–667. doi:10.1109/21.286385. Archived (PDF) from the original on 2022-10-09.

[21] Zhang, J.; Chung, H.; Lo, W. L. (2007). "Clustering-Based Adaptive Crossover and Mutation Probabilities for Genetic Algorithms". IEEE Transactions on Evolutionary Computation. 11 (3): 326–335. doi:10.1109/TEVC.2006.880727. S2CID 2625150.

[22] See for instance Evolution-in-a-nutshell Archived 15 April 2016 at the Wayback Machine or example in travelling salesman problem, in particular the use of an edge recombination operator.

[23] Goldberg, D. E.; Korb, B.; Deb, K. (1989). "Messy Genetic Algorithms : Motivation Analysis, and First Results". Complex Systems. 5 (3): 493–530.

[24] Gene expression: The missing link in evolutionary computation

[25] Harik, G. (1997). Learning linkage to efficiently solve problems of bounded difficulty using genetic algorithms (PhD). Dept. Computer Science, University of Michigan, Ann Arbour.

[26] Tomoiagă B, Chindriş M, Sumper A, Sudria-Andreu A, Villafafila-Robles R. Pareto Optimal Reconfiguration of Power Distribution Systems Using a Genetic Algorithm Based on NSGA-II. Energies. 2013; 6(3):1439-1455.

[27] Gross, Bill (2 February 2009). "A solar energy system that tracks the sun". TED. Retrieved 20 November 2013.

[28] Hornby, G. S.; Linden, D. S.; Lohn, J. D., Automated Antenna Design with Evolutionary Algorithms (PDF)

[29] "Flexible Muscle-Based Locomotion for Bipedal Creatures".

[30] Evans, B.; Walton, S.P. (December 2017). "Aerodynamic optimisation of a hypersonic reentry vehicle based on solution of the Boltzmann–BGK equation and evolutionary optimisation". Applied Mathematical Modelling. 52: 215–240. doi:10.1016/j.apm.2017.07.024. ISSN 0307-904X.

[31] Skiena, Steven (2010). The Algorithm Design Manual (2nd ed.). Springer Science+Business Media. ISBN 978-1-849-96720-4.

[mind.oxfordjournals.org-32] Turing, Alan M. (October 1950). "Computing machinery and intelligence". Mind. LIX (238): 433–460. doi:10.1093/mind/LIX.236.433.

[33] Aldawoodi, Namir (2008). An Approach to Designing an Unmanned Helicopter Autopilot Using Genetic Algorithms and Simulated Annealing. p. 99. ISBN 978-0549773498 – via Google Books.

[34] Markoff, John (29 August 1990). "What's the Best Answer? It's Survival of the Fittest". New York Times. Retrieved 2016-07-13.

[35] Ruggiero, Murray A.. (1 August 2009) Fifteen years and counting Archived 30 January 2016 at the Wayback Machine. Futuresmag.com. Retrieved on 2013-08-07.

[36] Evolver: Sophisticated Optimization for Spreadsheets. Palisade. Retrieved on 2013-08-07.

[37] Benchmarks for Evaluating Optimization Algorithms and Benchmarking MATLAB Derivative-Free Optimizers for Practitioners’Rapid Access, IEEE Access, vol.7, 2019.

[38] Cohoon, J; et al. (2002). Evolutionary algorithms for the physical design of VLSI circuits (PDF). ISBN 978-3-540-43330-9. Archived (PDF) from the original on 2022-10-09. {{cite book}}: |journal= ignored (help)

[39] Pelikan, Martin; Goldberg, David E.; Cantú-Paz, Erick (1 January 1999). BOA: The Bayesian Optimization Algorithm. pp. 525–532. ISBN 9781558606111. {{cite book}}: |journal= ignored (help)

[40] Pelikan, Martin (2005). Hierarchical Bayesian optimization algorithm : toward a new generation of evolutionary algorithms (1st ed.). Berlin [u.a.]: Springer. ISBN 978-3-540-23774-7.

[41] Thierens, Dirk (11 September 2010). "The Linkage Tree Genetic Algorithm". pp. 264–273. doi:10.1007/978-3-642-15844-5_27. ISBN 978-3-642-15843-8. {{cite book}}: |journal= ignored (help); Missing or empty |title= (help)

[42] Ferreira, C (2001). "Gene Expression Programming: A New Adaptive Algorithm for Solving Problems" (PDF). Complex Systems. 13 (2): 87–129. arXiv:cs/0102027. Bibcode:2001cs........2027F. Archived (PDF) from the original on 2022-10-09.

[Falkenauer-43] Falkenauer, Emanuel (1997). Genetic Algorithms and Grouping Problems. Chichester, England: John Wiley & Sons Ltd. ISBN 978-0-471-97150-4.

[44] Zlochin, Mark; Birattari, Mauro; Meuleau, Nicolas; Dorigo, Marco (1 October 2004). "Model-Based Search for Combinatorial Optimization: A Critical Survey". Annals of Operations Research (in English). 131 (1–4): 373–395. CiteSeerX 10.1.1.3.427. doi:10.1023/B:ANOR.0000039526.52305.af. ISSN 0254-5330. S2CID 63137.

[45] Rania Hassan, Babak Cohanim, Olivier de Weck, Gerhard Vente r (2005) A comparison of particle swarm optimization and the genetic algorithm

[46] Baudry, Benoit; Franck Fleurey; Jean-Marc Jézéquel; Yves Le Traon (March–April 2005). "Automatic Test Case Optimization: A Bacteriologic Algorithm" (PDF). IEEE Software. 22 (2): 76–82. doi:10.1109/MS.2005.30. S2CID 3559602. Archived (PDF) from the original on 2022-10-09. Retrieved 9 August 2009.

[47] Civicioglu, P. (2012). "Transforming Geocentric Cartesian Coordinates to Geodetic Coordinates by Using Differential Search Algorithm". Computers &Geosciences. 46: 229–247. Bibcode:2012CG.....46..229C. doi:10.1016/j.cageo.2011.12.011.

[48] Kjellström, G. (December 1991). "On the Efficiency of Gaussian Adaptation". Journal of Optimization Theory and Applications. 71 (3): 589–597. doi:10.1007/BF00941405. S2CID 116847975.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

[43]

[44]

[45]

[46]

[47]

[48]

Anonymous

Search

जेनेटिक एल्गोरिद्म

कार्यप्रणाली

अनुकूलन समस्याएं

प्रारंभ

चयन

जेनेटिक ऑपरेटर

आंकलन

समाप्ति

रचक खंड परिकल्पना

सीमाएं

प्रकार

गुणसूत्र प्रतिनिधित्व

अभिजात वर्ग

समानांतर कार्यान्वयन

अनुकूली जीए

समस्या डोमेन

इतिहास

वाणिज्यिक उत्पाद

संबंधित तकनीकें

मूल क्षेत्र

संबंधित क्षेत्र

विकासवादी एल्गोरिदम

झुंड बुद्धि

अन्य विकासवादी कंप्यूटिंग एल्गोरिदम

अन्य मेटाह्यूरिस्टिक विधियों

अन्य स्टोचैस्टिक अनुकूलन विधियाँ

यह भी देखें

संदर्भ

ग्रन्थसूची

बाहरी संबंध

संसाधन

ट्यूटोरियल

Navigation

Wiki tools

Page tools

Other projects

Hidden categories